Modeling the Dynamics of Children’s Musculoskeletal Fitness
Notice bibliographique
Résumé
This study models children’s musculoskeletal fitness (MSF) developmental trajectories and identifies individual differences related to effects of time-invariant, as well as time-varying covariates. A total of 348 Portuguese children (177 girls) from six age cohorts were followed for three years. MSF tests (handgrip strength, standing long jump and shuttle run), age, body mass index (BMI), socioeconomic status (SES), gross motor coordination (GMC) and physical activity (PA) were assessed. Data were analyzed using multilevel models. Between 5 and 11 years of age, boys outperformed girls in all three MSF tests (p < 0.05). Birth weight was positively associated with shuttle run performance (β = −0.18 ± 0.09, p < 0.05). BMI was positively associated with handgrip strength (β = 0.35 ± 0.04, p < 0.001) and shuttle run performance (β = 0.06 ± 0.01, p < 0.001), but negatively associated with standing long jump performance (β = −0.93 ± 0.23, p < 0.001). GMC was positively associated (p < 0.001) with all three MSF tests, while PA was associated with standing long jump (β = 0.08 ± 0.02, p < 0.05) and shuttle run (β = −0.003 ± 0.002, p < 0.05) performance only. No school environment effects were found, and SES was not related to any MSF tests. Children’s MSF development showed a curvilinear shape with increasing age, with boys outperforming girls. Weight status and physical behavior characteristics predicted MSF development, while environmental variables did not. Examining potential longitudinal predictors of MSF across multiple dimensions is important to gain a more holistic understanding of children’s physical development as well as to future interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».